Banken und künstliche Intelligenz (KI): Ein wilder Infrastruktur-Zoo
Banken stehen bereits länger vor der Frage: „Braucht es für unser Kundengeschäft überhaupt noch Filialen und „echte“ Menschen vor Ort?“ Die rasanten Entwicklungen im KI-Bereich befeuern diesen Trend zusätzlich und kontinuierlich. Die Überlegung hat nur einen Haken: Die grundsätzliche Basis für diese fast rein digitalen Banken ist kaum geschärft: Vielerorts finden sich eine schwache, unstrukturierte Datenlage und mangelhafte Infrastruktur. Gerade mittlerer und kleinerer Häuser verhindern eine weitere Digitalisierung ihrer Branche. Wie man es besser macht, zeigt unser Ausflug in den „Infrastruktur-Zoo“!
KI sollte Chefsache sein
Ein Grund für den digitalen Rückstand: Digitalisierung und auch KI sind nach wie vor Ressort-Verantwortungen und nicht auf der Board-Agenda oder gar direkt beim CEO / Geschäftsführer aufgehängt. Das Ergebnis: Bei vielen Projekten im KI-Bereich recherchiert zunächst die Fachabteilung eine singuläre (Tool)-Lösung und schafft oftmals genau damit eine fragmentierte Lösung für nur einen Teilbereich der komplexen Thematik.
In der Konsequenz bauen sich unterschiedliche Abteilungen individuelle KI-Systeme auf, ohne an Schnittstellen, Synergien, gesamthafte Infrastruktur etc. zu denken. Es werden die Fehler aus der ersten und zweiten Digitalisierungswelle schlichtweg wiederholt. Im Endeffekt haben die Banken dann einen „wilden Zoo“ an digitaler KI-Infrastruktur ohne eine gut strukturierte, ganzheitlich genutzte Datenbasis. Die Verwaltung der Infrastruktur wird damit immer schwieriger und man hat statt einer erhofften Vereinfachung und Effizienzsteigerung noch mehr Komplexität geschaffen!
Ausgangslage in vielen Banken
- Eine kluge KI-Infrastruktur aufzubauen, ist ein komplexes, kontinuierliches und ganzheitliches Vorhaben
- Entsprechend qualifiziertes Personal ist Mangelware, teuer und muss umworben werden
- Der existierende Datenbestand genügt selten den Anforderungen einer modernen KI-Infrastruktur
- Die eigenen Daten sind nicht nur qualitativ oft zweifelhaft, sie genügen auch oft quantitativ nicht
- Projekt-Budgets werden nach wie vor falsch priorisiert
Wünsche der Unternehmen zu KI laut Bitkom
- 78 % finanzielle Förderung
- 68 % Austausch mit anderen Firmen
- 68 % Hilfe bei der rechtlichen und ethischen Beurteilung zum Einsatz von KI
- 55 % bessere Verfügbarkeit von KI-Experten
- 45 % leichteren Zugang zu Daten
Wie es besser geht
Ein kluges Projekt liefert aus einer Hand und holistisch
- Die richtige technische Infrastruktur und Tools
- Eine gut strukturierte Datenbasis (intern und extern gespeist)
- Hoch qualifizierte Experten
- Austausch in einer entsprechend erfahrenen Community
- Sicherstellung des laufenden Betriebs, Maintenance und Weiterentwicklung
„Mein Unternehmen ist aber zu klein für KI“ – Der große Irrtum!
In anderen Industrien haben sich bereits kleinere Unternehmen zusammen geschlossen und profitieren so gemeinsam von einem AIaaS (AI-as-a-Service)-Ansatz. Sie teilen Infrastruktur, Modelle und Experten ohne von ihrem Alleinstellungsmerkmal oder Wettbewerbsvorteil abrücken zu müssen.
Für kleinere oder regionale Banken könnte dies beispielsweise bedeuten, dass sie die für einen bestimmten Use Case relevanten Daten anonymisiert einem Konsortium bzw. dem Anbietenden zur Verfügung stellen. Dieser Datenpool wird damit durch »2nd party data«, also gleichwertigen anonymisierten Daten von vielen Banken, angereichert und ausschließlich für das Training der Modelle genutzt. Diese Modelle gewinnen für alle partizipierenden Unternehmen massiv an Aussagekraft und Verlässlichkeit. Auch Finanzinstitute mit kleineren Datenbeständen könnten so von einer Vielzahl an leistungsstarken Modellen, die nicht mehr selbst trainiert werden müssen und einer KI-Infrastruktur, die nicht mehr selbst teuer aufgebaut werden muss, profitieren. Im eigenen Haus würden schließlich die »Grundmodelle« nur noch angepasst, um individuelle Akzente gegenüber den Mitbewerbern der Branche herauszustellen.
Algorithmen-Qualität als wichtigster Differenzierungsfaktor für Banken
Geht man davon aus, dass sich Banken in einigen Jahren nur noch über leistungsstarke individuelle KI-Algorithmen von Mitbewerbern differenzieren, ist ein forcierter, gemeinsamer Ansatz eine attraktive Möglichkeit. Es bietet sich an, Kooperationen in einfacheren Anwendungsfeldern virtueller Assistenten zu erproben. Bereits heute existiert eine Vielzahl von Standardaufgaben, die bei jeder Bank in fast identischer Weise (z.B. Prüfung Baufinanzierung) auftreten. Hier könnte sich eine zeitnahe Zusammenarbeit zwischen mehreren Instituten im Sinne eines ersten Piloten durchaus lohnen.
